스마트 CCTV로 빠르게 감지하는 역방향 자전거 이용 비율 추정: 희소 샘플링만으로 충분하다

초록

본 논문은 고해상도 영상과 연속 추적 없이도 CCTV 영상에서 역방향 자전거 이용 비율을 정확히 추정하는 WWC‑Predictor를 제안한다. 두 프레임을 이용한 경량 검출기와 모션·외형 기반 방향 추정, 앙상블 검증을 결합하고, ARMA 시계열 모델로 전체 영상의 비율을 예측한다. 35분 영상(4개 클립)으로 구성된 벤치마크에서 평균 오차 1.475%와 GPU 사용량 19.12%만으로 기존 추적 기반 방법에 필적하는 성능을 보였다.

상세 분석

WWC‑Predictor의 핵심은 “희소 샘플링 + 두 프레임 검출”이라는 설계 철학이다. 기존의 비모터 차량 위반 탐지는 고해상도 CCTV와 연속적인 다중 객체 추적(MOT)에 의존해 GPU·메모리 비용이 크게 증가한다. 저자는 영상 전체를 1분 간격으로 두 프레임씩 추출하고, 각 프레임 쌍에 대해 세 단계(모션 기반, 외형 기반, 앙상블 검증)를 수행한다. 모션 기반은 YOLOv5로 검출된 바운딩 박스의 IoU 매트릭스를 이용해 Hungarian 알고리즘으로 매칭하고, 중심점 이동 벡터의 arctan으로 방향을 산출한다. 이는 움직임이 충분히 클 때 높은 정확도를 보이지만, 정체·가림 상황에서는 불안정할 수 있다. 이를 보완하기 위해 외형 기반 모델은 ResNet‑101 백본에 Phase‑Shifting Coder(PSC)를 적용해 연속적인 회전 각을 m‑차원 벡터로 인코딩한다. PSC는 각도 주기의 불연속성을 부드러운 코사인·사인 조합으로 변환해 학습 안정성을 높인다. 두 추정값을 ‘AND‑Strategy’로 교차 검증해 최종 방향을 확정함으로써 false positive를 크게 억제한다.

시간적 추정 단계에서는 프레임 쌍별로 얻은 오른쪽/역방향 카운트를 시계열 데이터로 간주하고, ARMA(p,q) 모델을 학습한다. ARMA는 짧은 샘플에서도 장기적인 평균 비율을 추정하는 데 강점이 있어, 전체 영상 길이에 대한 비율을 직접 계산하지 않고도 높은 정확도를 달성한다. 저자는 35분 영상(총 4개 클립)에서 405장의 비모터 차량 검출 이미지와 1,199장의 방향 라벨을 수집해 학습·평가에 사용했으며, 기존 추적 기반 파이프라인 대비 610배 적은 프레임과 46배 적은 연산량을 요구한다.

기술적 강점은 다음과 같다. 첫째, 경량 검출기(YOLOv5‑tiny)와 ResNet‑101 기반 외형 모델을 조합해 GPU 메모리 사용을 최소화하면서도 1.475%라는 미세한 평균 오차를 달성했다. 둘째, ARMA 기반 시계열 추정은 복잡한 트래픽 흐름을 통계적으로 모델링함으로써 프레임 간 간격이 불규칙해도 견고하게 비율을 예측한다. 셋째, 공개된 코드와 데이터셋은 재현성을 높이며, 향후 멀티‑카메라 그래프 신호 처리(GSP)와 연계한 확장 가능성을 제시한다.

하지만 몇 가지 한계도 존재한다. 현재 데이터는 35분, 4개의 교차로에 국한돼 있어 다양한 날씨·조명·교통량 상황에 대한 일반화 검증이 부족하다. 또한, 방향 라벨링이 인간 주관에 의존해 오류가 포함될 가능성이 있다. ARMA 모델 파라미터(p,q)의 선택이 데이터 규모에 민감할 수 있으며, 급격한 교통 패턴 변화(예: 행사, 사고)에는 적응력이 떨어질 수 있다. 마지막으로, 외형 기반 모델은 여전히 고해상도 이미지가 필요하므로, 극히 저해상도 CCTV에서는 성능 저하가 예상된다.

향후 연구 방향으로는 (1) 다양한 도시·교통 환경을 포함한 대규모 데이터셋 구축, (2) ARIMA·LSTM 등 비선형 시계열 모델과의 비교·혼합, (3) 멀티‑카메라 간 그래프 기반 융합을 통한 공간적 연관성 강화, (4) 초저해상도에서도 동작 가능한 경량 외형 모델 설계가 제시된다.